May, 2022

面向拓扑的端到端电力系统可靠性评估机器学习

PDF
TL;DR本研究探讨使用端到端机器学习直接预测可靠性指标，提出了基于输入特征的系统阻抗矩阵编码的机器学习流程，通过对输电线路的定期维护对特定拓扑变化的影响进行考虑，使用支持向量机和 Boosting Trees 进行训练和比较，实验证明了该方法在可靠性评估中的适用性。
power system reliabilityend-to-end machine learningloss of load probabilitysupport vector machineboosting trees
发现论文，激发创造
  • 利用机器学习在电力网络模型中从静态特征预测动态稳定性

    本文提出采用网络科学指标和机器学习模型相结合的方法来预测输电线路故障后系统失同步事件的风险，结果表明只需少量网络指标即可量化网络重定向流量的能力，得到高于 0.996 的平均预测精度。

    Oct, 2022

  • 仪器与控制系统中集成的机器学习方法的动态模型无关可信度评估

    通过将数据监督引入机器学习预测模型，我们提出了一种实时模型无关的方法，评估机器学习预测的相对可靠性，并通过针对操作数据集与训练数据集之间的差异来计算预测的相对可靠性，用以支持机器学习预测在常规插值任务中的可信度。

    Aug, 2023

  • 机器学习检测网络攻击并区分电力系统干扰类型

    基于机器学习的智能电网攻击检测模型，通过利用来自相量测量设备（PMUs）的数据和日志，学习系统行为并有效识别潜在的安全边界。研究使用来自不同 PMUs、继电器嗅探警报和日志的 15 个独立数据集验证了提出的模型，结果显示随机森林模型在检测电力系统扰动方面表现最佳，准确率达到了 90.56%，有助于操作人员的决策过程。

    Jul, 2023

  • 使用机器学习预测逆变器优势电力网的失效穿越概率

    通过分析合成电网模型和进行动力学模拟，我们证明机器学习模型能够准确预测合成电网的故障耐受概率，并展示了机器学习方法在研究电网的概率稳定性方面的潜力。

    Jun, 2024

  • 机器学习系统可靠性的整体评估

    该研究提出了一个综合评估机器学习系统可靠性的方法，侧重考虑诸如敌对攻击、性能下降以及算法技术等方面的问题，并对 500 多个模型进行了分析，为未来的研究和发展提供了指导。

    Jul, 2023

  • 演化网络拓扑下的电网运行风险评估的图神经网络

    该研究探讨了图神经网络在没有明确的高分辨率信息（发电机状态、电网拓扑和电力调度决策）的情况下，能否识别未来几个小时内电网的风险状况。研究发现，基于图神经网络的可靠性和风险评估具有快速而准确的预测能力。

    May, 2024

  • 基于深度学习的智能电网网络攻击检测模型

    通过使用人工智能技术，本研究提出了一种新颖的智能电网基于模型的网络攻击检测方法，以阻止监控控制和数据采集系统（SCADA）上接收的负载数据的数据完整性网络攻击（DIAs），并使用回归模型进行负载数据的预测，以及通过无监督学习方法对处理后的数据进行聚类，以实现最佳性能。实验结果表明，EE-BiLSTM 方法比其他两种方法更稳健和准确。

    Dec, 2023

  • 静态电源网格模型的采样策略

    本研究提出一种基于 Correlation Sampling 算法的机器学习方法，可以更好地解决电网电量计算问题，相应的神经网络结构应当考虑输入数据的相关性以及历史数据的质量和规模，与传统的 copula-based 方法相较，该算法能更广泛地覆盖采样空间。

    Apr, 2022

  • 电力电网智能故障分析

    本文提出了一种基于人工智能和机器学习技术的电力系统健康检测方案，利用 Siemens PSS/E 软件模拟电网状况，并采用分类器（SVM、LSTM 等）进行训练和测试，结果证明其能够高精度地检测电网异常，并可扩展应用于更复杂的电网结构。

    Nov, 2017

  • 大规模经济调度的端到端可行优化代理

    本文提出了一种新的 End-to-End Learning and Repair（E2ELR）架构，用于训练经济调度问题的优化代理。E2ELR 将深度神经网络与闭式、可微分的修复层结合起来，以端到端的方式集成了学习和可行性。同时，E2ELR 还使用自监督学习进行训练，无需标记的数据和离线解决众多优化问题。在评估时，E2ELR 使用经济调度来优化能量和储备，针对拥有数万个母线的工业规模电力网进行评估。结果表明，自监督的 E2ELR 实现了最先进的性能，在优化差距方面优于其他基线至少一个数量级。

    Apr, 2023